687401_de-DE

liliconcom

Sie möchten dieselbe Tuning-Designtabelle für mehrere y-Variablen ausführen

Ich verwende Bootstrap Forest als prädikatives Modell. Ich habe Hyperparameter, die mir gefallen, möchte sie aber mehrmals ausführen (z. B. 500 Replikate), um die zufällige Gesamtstruktur zu finden, die mir das beste Validierungs-R-Quadrat bietet. Ich habe die Tuning-Designtabelle erstellt, aber jedes Mal, wenn sie für eine vorhergesagte y-Variable ausgeführt wird (mein Datensatz enthält 11), muss ich jedes Mal manuell dieselbe Designtabelle auswählen. Es ist zeitaufwändig, am Computer zu sitzen, 10 bis 15 Minuten auf jeden Lauf zu warten und dann auf den nächsten zu klicken. Ich würde es lieber einstellen und vergessen. Gibt es eine Einstellung, damit für jede y-Variable automatisch dieselbe Abstimmungstabelle ausgeführt werden kann?

 

Als Referenz ist dies das Kästchen, auf das ich klicken muss, nachdem jede Bootstrap-Gesamtstruktur abgeschlossen ist:

 

Erweiterte statistische ModellierungPrädiktive Modellierung und maschinelles LernenBetreff: Sie möchten dieselbe Tuning-Designtabelle für mehrere y-Variablen ausführen

Laut der Dokumentation zu Bootstrap Forest sollten Sie lediglich die Tabelle angeben, die in der JSL für die Plattform verwendet werden soll.

dh

Bootstrap Forest(
 Y( :Percent body fat ),
 X(
  :"Age (years)"n, :"Weight (lbs)"n, :"Height (inches)"n,
  :"Neck circumference (cm)"n, :"Chest circumference (cm)"n,
  :"Abdomen circumference (cm)"n, :"Hip circumference (cm)"n,
  :"Thigh circumference (cm)"n, :"Knee circumference (cm)"n,
  :"Ankle circumference (cm)"n, :"Biceps (extended) circumference (cm)"n,
  :"Forearm circumference (cm)"n, :"Wrist circumference (cm)"n
 ),
 Tuning Design Table("place your design table name here"),
 Go
)

Betreff: Sie möchten dieselbe Tuning-Designtabelle für mehrere Y-Variablen ausführen

Hallo @ClassCanary405 ,

 

Willkommen in der Community!

Einige weitere Fragen und Anmerkungen, die nicht direkt mit Ihrer Frage zusammenhängen, aber vielleicht eine Überlegung wert sind:

• Da Sie Bootstrap Forest als Vorhersagemodell verwenden, wie haben Sie Ihre Daten in Trainings-/Validierungs-/Testsätze (k-Faltungen oder „feste“ Kreuzvalidierung?) aufgeteilt und sichergestellt, dass die Sätze für die zukünftigen Stichproben repräsentativ sind?
  Wenn Sie eine „feste“ Kreuzvalidierung verwenden, haben Sie die Robustheit Ihres Modells durch Variation der Trainings-, Validierungs- und Testsätze bewertet (z. B. durch Verwendung einer Validierungsformelspalte, um bei Bedarf verschiedene Modellergebnisse mit derselben Gruppierung oder Schichtung zu simulieren): https://community.jmp.com/t5/Discussions/Boosted-Tree-Tuning-TABLE-DESIGN/mp/609591/highlight/true#M81062 )
• Warum haben Sie sich für Bootstrap Forest entschieden?
  Für tabellarische Daten gibt es verschiedene baumbasierte (oder andere Typen) Modelle, die möglicherweise besser für die Bereitstellung präziser Vorhersagen geeignet sind (z. B Boosted Tree (jmp.com) oder XGBoost-Add-In für JMP Pro ). Vor jeder Analyse ist es außerdem notwendig, die Daten auf fehlende Werte, Ausreißer und Ausgewogenheit zu prüfen. Auch wenn baumbasierte Modelle in diesen Situationen robust sein können, kann dies manchmal erklären, warum bestimmte Vorhersagen aufgrund mangelnder Daten oder Repräsentativität im Vergleich zu Messungen „abweichen“.
  Sie können auch die Erstellung eines Ensembles von Modellen in Betracht ziehen, indem Sie verschiedene Modelltypen verwenden, die sich in verschiedenen Bereichen Ihres Experimentierraums oder in verschiedenen Szenarien (fehlende Werte, Ausreißer usw.) hervorragend verhalten.
• Warum dienen Ihre Validierungsmetriken R² einem prädiktiven Zweck?
  Möglicherweise sind andere Metriken wie RASE, AAE oder die Fehlklassifizierungsrate (im Fall einer kategorialen Antwort wie Klassen) besser geeignet: Der Modellvergleichsbericht (jmp.com)

 

Schließlich ist Random Forest (in JMP Bootstrap Forest genannt) eines der robustesten überwachten Lernmodelle, die im maschinellen Lernen verfügbar sind. Im Gegensatz zu anderen möglichen Algorithmen ist es eines der wenigen Modelle, das weniger empfindlich auf die Optimierung von Hyperparametern reagiert, und Sie können mit den grundlegenden Empfehlungen/Standardeinstellungen von JMP Pro gute Leistungen für Random Forests erzielen.

 

Weitere Informationen zur „Abstimmbarkeit“ von Modellen für maschinelles Lernen (Auswirkungen der Optimierung von Hyperparametern auf die Leistung) finden Sie in diesem Artikel: [1802.09596] Abstimmbarkeit: Bedeutung von Hyperparametern maschineller Lernalgorithmen (arxiv.org)

 

Ich hoffe, diese ergänzende Antwort wird Ihnen helfen,